The object of research, development or design (in Russian) : Автоматизированная система обнаружения и классификации дорожных повреждений в режиме реального времени, основанная на использовании технологий компьютерного зрения и методов глубокого обучения, включая свёрточные нейронные сети (CNN), Mask R-CNN и механизмы внимания, для повышения безопасности дорожного движения и качества дорожной инфраструктуры.

The object of research, development or design (in Kazakh) : Жол қозғалысы қауіпсіздігін арттыру және жол инфрақұрылымының сапасын жақсарту мақсатында компьютерлік көру технологиялары мен терең оқыту әдістерін, соның ішінде свёрточтық нейрондық желілер (CNN), Mask R-CNN және назар механизмдерін қолдануға негізделген нақты уақыт режимінде жолдың зақымдануын анықтау және жіктеу бойынша автоматтандырылған жүйе.

Aim of work (in Russian) : Цель проекта — создать интегрированную, эффективную и автоматизированную систему для обнаружения и классификации дорожных повреждений в реальном времени, используя технологии компьютерного зрения и глубокого обучения, способную повысить безопасность и качество дорожного покрытия.

Aim of work (in Kazakh) : Жобаның мақсаты-жол жамылғысының қауіпсіздігі мен сапасын арттыруға қабілетті компьютерлік көру және терең оқыту технологияларын пайдалана отырып, нақты уақыттағы жол зақымдануларын анықтау және жіктеу үшін біріктірілген, тиімді және автоматтандырылған жүйені құру.

Методы исследования (на русском) : В рамках проекта используются современные методы компьютерного зрения и глубокого обучения, включая свёрточные нейронные сети (CNN), Mask R-CNN и механизмы внимания, для анализа изображений дорожных повреждений. На начальном этапе проводится сбор и аннотация данных, включающая классификацию различных типов дефектов. Для повышения точности применяются методы предварительной обработки данных, такие как нормализация и аугментация. Эффективность моделей оценивается с использованием метрик Precision, Recall и F1-score, а также через полевые испытания в реальных условиях. Дополнительно проводится исследование абляции, направленное на выявление ключевых факторов, влияющих на производительность системы. Интеграция внимания позволяет улучшить фокусировку модели на поврежденных участках, что способствует более точной классификации и сегментации.

Методы исследования (на казахском) : Жоба аясында жол жабынының зақымдануын талдау үшін компьютерлік көру және терең оқыту әдістері, соның ішінде свёрточтық нейрондық желілер (CNN), Mask R-CNN және назар механизмдері қолданылады. Алғашқы кезеңде деректерді жинау және аннотациялау, соның ішінде әртүрлі ақаулар түрлерін жіктеу жүргізіледі. Дәлдікті арттыру үшін деректерді алдын ала өңдеу әдістері, мысалы, нормализация және деректерді аугментациялау қолданылады. Модельдердің тиімділігі Precision, Recall және F1-score метрикаларын пайдалану арқылы, сондай-ақ нақты жағдайларда далалық сынақтар арқылы бағаланады. Сонымен қатар, жүйенің өнімділігіне әсер ететін негізгі факторларды анықтауға бағытталған абляция зерттеулері жүргізіледі. Назар механизмдерін интеграциялау модельдің зақымданған учаскелерге шоғырлануын жақсартады, бұл жіктеу мен сегментацияның дәлдігін арттыруға ықпал етеді.

Obtained results and novelty (in Russian) : 1. Сбор и аннотация данных: - Сформирован расширенный датасет дорожных повреждений, включающий изображения восьми ключевых классов дефектов, таких как продольные и поперечные трещины, трещины типа «крокодиловая кожа», выбоины, колейность, размытие разметки и другие распространённые повреждения дорожного полотна. - Проведена аннотация данных. 2. Разработка и тестирование глубоких моделей: - Разработаны и оптимизированы модели глубокого обучения на основе архитектур Mask R-CNN, RetinaNet, CNN и U-Net, обеспечивающие обнаружение, классификацию и сегментацию дорожных повреждений. - Построена гибридная глубокая модель, объединяющая несколько архитектур. Научная новизна: - Проект представляет собой первое комплексное решение в отечественной практике, объединяющее современные методы компьютерного зрения (CNN, Mask R-CNN, U-Net) с механизмами внимания и гибридной архитектурой для анализа дорожных повреждений в режиме реального времени. - Применение гибридного подхода позволило достичь значимого повышения точности по сравнению с одиночными моделями, что подтверждено экспериментальными метриками. - Научная новизна заключается в интеграции трёх ключевых задач (обнаружение–классификация–сегментация) в единую интеллектуальную систему, что открывает новые направления исследований в области мониторинга транспортной инфраструктуры и интеллектуальных дорожных систем.

Obtained results and novelty (in Kazakh) : 1. Деректерді жинау және аннотациялау: - Бойлық және көлденең жарықтар, "қолтырауын терісі" сияқты жарықтар, шұңқырлар, ойықтар, белгілердің бұлыңғырлануы және жол төсемінің басқа да жалпы зақымданулары сияқты ақаулардың сегіз негізгі класының суреттерін қамтитын Жол зақымдануының кеңейтілген датасы құрылды. - Деректерге аннотация жасалды. 2. Терең модельдерді әзірлеу және сынау: -Mask R-CNN, RetinaNet, CNN және U-Net архитектураларына негізделген терең оқыту модельдері әзірленді және оңтайландырылды, олар жолдың зақымдануын анықтауға, жіктеуге және сегменттеуге мүмкіндік береді. - Бірнеше архитектураны біріктіретін гибридті терең модель салынды. Ғылыми жаңалық: - Жоба компьютерлік көрудің заманауи әдістерін (CNN, Mask R-CNN, U-Net) нақты уақыт режимінде жолдың зақымдануын талдау үшін зейін механизмдерімен және гибридті архитектурамен біріктіретін отандық тәжірибедегі алғашқы кешенді шешім болып табылады. - Гибридті тәсілді қолдану эксперименттік көрсеткіштермен расталған бір модельдермен салыстырғанда дәлдіктің айтарлықтай жақсаруына қол жеткізді. - Ғылыми жаңалық үш негізгі міндетті (анықтау–жіктеу–сегменттеу) бірыңғай зияткерлік жүйеге біріктіруден тұрады, бұл көлік инфрақұрылымы мен зияткерлік жол жүйелерінің мониторингі саласындағы зерттеулердің жаңа бағыттарын ашады.

The main constructive and technical economic indicators (in Russian) : Разрабатываемая интеллектуальная система обнаружения дорожных повреждений обладает рядом конструктивных и технико-экономических характеристик, обеспечивающих её эффективность, технологичность и практическую значимость. - Архитектура системы: модульная, включающая три основные подсистемы: модуль детекции, модуль классификации и модуль сегментации дорожных повреждений, объединённые в единую гибридную нейросетевую архитектуру. - Используемые модели: Mask R-CNN, RetinaNet, 2D U-Net с интегрированными механизмами внимания, обеспечивающие высокую точность распознавания мелких и сложно структурированных дефектов. - Программная платформа: Python, PyTorch, TensorFlow. - Требования к вычислительным ресурсам: поддержка GPU-ускорения, возможность запуска облегчённой версии модели на мобильных устройствах. - Формат данных: изображения высокой чёткости в формате JPG/PNG. - Интерфейс: мобильное приложение с возможностью загрузки фото, проведения анализа в реальном времени и визуализации результатов.

The main constructive and technical economic indicators (in Kazakh) : Жолдың зақымдануын анықтаудың интеллектуалды жүйесі оның тиімділігін, технологиялылығын және практикалық маңыздылығын қамтамасыз ететін бірқатар конструктивті және техникалық-экономикалық сипаттамаларға ие. - Жүйенің архитектурасы: үш негізгі ішкі жүйені қамтитын модульдік: анықтау модулі, жіктеу модулі және бір гибридті нейрондық желілік архитектураға біріктірілген жол зақымдануын сегменттеу модулі. - Қолданылатын модельдер: mask R-CNN, RetinaNet, 2D u-net, шағын және күрделі құрылымдалған ақауларды танудың жоғары дәлдігін қамтамасыз ететін интеграцияланған зейін механизмдері бар. - Бағдарламалық платформа: Python, PyTorch, TensorFlow. - Есептеу ресурстарына қойылатын талаптар: GPU жеделдетуді қолдау, мобильді құрылғыларда модельдің жеңіл нұсқасын іске қосу мүмкіндігі. - Деректер форматы: JPG / PNG форматындағы жоғары ажыратымдылықтағы кескіндер. - Интерфейс: фотосуреттерді жүктеу, нақты уақыт режимінде талдау жүргізу және нәтижелерді визуализациялау мүмкіндігі бар мобильді қосымша.

Level of implementation (in Russian) : На данном этапе разработанная система не внедрена в практическую эксплуатацию, поскольку продолжаются этапы оптимизации, тестирования и подготовки к интеграции с реальными инфраструктурными платформами. Технология находится в стадии экспериментальной апробации, и её внедрение планируется после завершения полного цикла валидации и оценки эффективности в полевых условиях.

Level of implementation (in Kazakh) : Бұл кезеңде әзірленген жүйе практикалық пайдалануға енгізілмеген, өйткені оңтайландыру, тестілеу және нақты инфрақұрылымдық платформалармен интеграциялауға дайындық кезеңдері жалғасуда. Технология эксперименттік тестілеу сатысында және оны енгізу далалық жағдайда тиімділікті тексеру мен бағалаудың толық циклі аяқталғаннан кейін жоспарлануда.

Efficiency (in Russian) : Разработанная система демонстрирует высокую техническую и экономическую эффективность, обеспечивая точное обнаружение дорожных дефектов и их классификацию. Реализация системы позволяет значительно сократить время диагностики состояния дорог и уменьшить затраты на ремонт благодаря раннему выявлению повреждений. Автоматизация процессов способствует снижению эксплуатационных расходов, а возможность работы в различных климатических условиях и высокая производительность делают систему практичным и универсальным инструментом для управления дорожной инфраструктурой.

Efficiency (in Kazakh) : Әзірленген жүйе жоғары техникалық және экономикалық тиімділікті көрсетіп, жолдағы ақауларды дәл анықтап және оларды жіктеуді қамтамасыз етеді. Жүйені іске асыру жол жағдайын диагностикалауға кететін уақытты едәуір қысқартып, ақауларды ерте анықтау арқылы жөндеу шығындарын азайтуға мүмкіндік береді. Процестерді автоматтандыру пайдалану шығындарын төмендетуге ықпал етеді, ал әртүрлі климаттық жағдайларда жұмыс істеу мүмкіндігі мен жоғары өнімділік жүйені жол инфрақұрылымын басқаруға арналған практикалық және әмбебап құралға айналдырады.

Field of application (in Russian) : Разработанная система предназначена для применения в дорожной инфраструктуре, включая управление, мониторинг и обслуживание дорог в городских и сельских районах. Она может использоваться государственными и частными организациями для диагностики состояния дорожного покрытия, планирования и приоритизации ремонтных работ, а также для повышения безопасности дорожного движения. Система также актуальна для транспортных и логистических компаний, где требуется оперативный анализ состояния маршрутов. Кроме того, она может быть интегрирована в интеллектуальные транспортные системы, обеспечивая автоматизированный сбор и обработку данных для оптимизации управления дорожной сетью.

Field of application (in Kazakh) : Әзірленген жүйе жол инфрақұрылымын басқару, мониторинг және қызмет көрсету салаларында, соның ішінде қалалық және ауылдық аймақтарда пайдалануға арналған. Жүйе жол жабынының жай-күйін диагностикалау, жөндеу жұмыстарын жоспарлау және басымдық беру, сондай-ақ жол қозғалысының қауіпсіздігін арттыру үшін мемлекеттік және жеке ұйымдармен қолданылады. Сондай-ақ, бұл жүйе маршруттардың жағдайын жедел талдау қажет болатын көлік және логистика компаниялары үшін маңызды. Сонымен қатар, оны интеллектуалды көлік жүйелеріне біріктіруге болады, бұл жол желісін басқаруды оңтайландыру үшін деректерді автоматтандырылған түрде жинау және өңдеуді қамтамасыз етеді.